能源估计对于航空航天复合材料的影响识别至关重要,其中低速度撞击可导致表面无法检测到的内部损坏。 当前的能量预测方法通常受到数据间距,信号噪声,复杂特征相互依赖性,非线性动力学,大规模设计空间以及逆问题不适应的性质的限制。 这项研究引入了一个物理知情的框架,通过专用的输入空间将领域知识嵌入到机器学习中。 该方法结合了观察偏差,指导物理动机特征的设计,并有针对性的特征选择,仅保留最翔实的指标。 特征从时间、频率和时间频率域中提取,以捕获结构响应的互补方面。 集成统计显著性、相关性过滤、尺寸减小和噪声稳健性的结构化特征选择过程可确保物理相关性和可解释性。 探索性数据分析进一步揭示了特定领域的趋势,产生了一个减少的特征集,可以捕获必要的动态现象,如振幅缩放,光谱再分配和瞬态信号行为。 这些步骤共同产生了一套紧凑的能源敏感指标,具有统计稳健性和物理意义,导致影响能量预测仍然可解释和可追溯的可测量的结构响应。 使用这种优化的输入空间,一个完全连接的神经网络通过来自多种影响场景的实验数据进行训练和验证,包括原始和受损状态。 由此产生的模型显示出显着提高的影响能量预测精度,与传统的时间序列技术和纯数据驱动的模型相比,误差减少了3倍。